电气工程
由于城市化进程的不断推进以及大型建筑的快速崛起,建筑能耗也在持续增长.相关研究机构的报告显示,建筑能耗呈现逐年递增的趋势,因此节能降耗已成为当前迫切需要解决的问题[1].其中,面向“双碳”目标的智慧楼宇监测与控制系统的任务是在满足室内环境舒适度指标的前提下,管控楼宇体系中的能源流动,以确保楼宇内所有装置的经济运行[2].而对楼宇能耗负荷进行准确预测,是保证建筑系统稳定、经济运行的前提[3-4].
孙超等[5]提出了一种改进反向传播神经网络的楼宇负荷预测方法,其根据建筑楼宇的结构参数以及其他因素对负荷的影响,采用BP网络模型实现对楼宇负荷的预测,但预测效率有待提高;李鹏辉等[6]提出了一种基于自回归差分移动平均长短期记忆神经网络模型,用于预测楼宇能耗,该方法预测准确率较高,但对于复杂能耗系统的预测效率较低;Cai等[7]采用递归神经网络和卷积神经网络对商业建筑的日前多步负荷进行了预测,旨在降低预测复杂性并提高预测效率;赵立强等[8]采用基于相似日选择和BP神经网络的预测模型对商场短期用电负荷进行了预测,其具有较高的准确性与预测效率,但仅能针对单一电能,无法适用于多种异质能源结构.
针对上述方法存在的预测效率低且效果不佳等问题,提出了一种基于改进递归网络的智慧楼宇负荷预测方法.该方法引入改进粒子群优化算法(IPSO)对深度递归神经网络(DRNN)模型的权值空间进行优化,并将优化后的模型用于负荷预测,以提升智慧楼宇负荷预测的精度和效率.
智慧楼宇的自动化程度高且数据量庞大,故针对其设计了一套负荷预测系统,具体架构如图1所示.从数据监测平台上获取电力、燃气以及供暖等负荷与环境数据,并结合最新的物联网和大数据处理技术实时预测及控制该系统.
图1 智慧楼宇负荷预测系统整体架构
Fig.1 Overall archiecture of intelligent building load forecasting system
首先通过智能计量表采集电能及燃气等能耗的实时数据与传感器获取的环境数据;然后将监测平台的数据进行预处理,实行归一化、异常值处理等操作[9];最后在大数据系统中,利用深度学习网络模型进行数据存储和分析,从而得到负荷预测结果并以可视化呈现.
粒子群优化算法(PSO)是一种从动物群体中得到启发的优化算法.在搜索空间中粒子随机分散,且每个粒子均代表一个具有适应度值的解,通过对解的质量排序即可得到最优解[10].粒子的速度和位置更新为
(1)
式中:vi为第i个粒子的速度;xi为粒子的位置;ω为惯性权重参数,可调节粒子的当前位置;c1为粒子认知行为调节因子;c2为粒子社会行为调节因子;r1和r2为属于[0,1]的随机因子;plbesti和pgbesti分别为当前最优解及全局最优解.
随着代数线性的变化,认知因子c1和社会因子c2也随之更新.早期阶段,粒子在整个搜索空间中移动,而到了优化后期,c2将提高获取最优解的速度.为兼顾算法收敛速度与全局最优性,采用惯性权重对固定权重进行改进[11].学习因子c1和c2具有自我总结和向优秀个体学习的能力,取值较小时,可使粒子在远离目标区域内徘徊,反之则会迅速向目标区域靠拢甚至越过目标区域.因此需要对其进行适当改进,使在算法初期粒子较快地向目标区域移动,而后期为避免越过目标区域则需要较小的学习因子,故学习因子c1、c2和权重ω的改进表达式为
(2)
式中:q为当前迭代次数;Qmax为最大迭代次数;A1~A4均为常数;ωmax与ωmin分别为权重的最大值和最小值.通常c1+c2=4,c1取值为2附近时,迭代次数较小;取值在两个端点0和4附近时,迭代次数较大,大致呈现出对称性,在两端点处搜索失败率较大.为保证初期较快的搜索速度,权重初值ω通常取1.05.
由于深度神经网络架构中具备多个隐含层,故可表征复杂的非线性系统.但因其缺少反馈机制,不仅会造成模型缺乏动态性,且无法满足智慧楼宇对预测准确性的要求.为此,在DNN基础上增设反馈关联层,构建了具有动态特性的DRNN模型,如图2所示.该网络模型结构由输入层、n层隐含层、关联层和输出层等构成.
图2 DRNN模型结构
Fig.2 Structure of DRNN model
DRNN的关联层内包含了能够用来存储负荷历史数据的存储模块,并将该模块数据输入下一时刻的第1层隐含层.假设DRNN模型的输入为U=[u1,u2,…,um],则第1隐含层在t时刻的输出量ψ1(t)可描述为
ψ1(t)=σ{w1[u(t),z(t)]+b1}
(3)
式中:w1为输入层与第1隐含层之间的权重;b1为关联层和隐含层之间的反馈输入;z为关联层的延迟量,其在t时刻的输入是输出层t-1时刻所对应的历史信息;σ为Sigmoid激活函数.
DRNN在t时刻除第1层外的其他隐含层的输出ψl(t)可描述为
ψl(t)=σ[wlψl-1(t)+bl]
(4)
DRNN在t时刻输出层的输出y(t)描述为
y(t)=δ[wn+1ψn(t)+bn+1]
(5)
将DRNN中各层次结构之间的权重及阈值与IPSO粒子状态相对应,即利用IPSO寻得最优的DRNN权阈值[12-13].其中,粒子的适应度函数为
(6)
式中:K为测试样本大小;分别为负荷的预测值及实际值.IPSO优化DRNN预测模型的流程如图3所示.
图3 IPSO优化DRNN预测模型的流程图
Fig.3 Flow chart of optimized DRNN prediction model based on IPSO
在DRNN预测模型的优化过程中,首先利用IPSO算法输出最佳适应度的粒子位置作为最优解[14-15];然后将其映射为DRNN模型的权值,并进行训练;当预测误差满足条件或达到最大迭代次数时,即可输出负荷预测值.
基于IPSO算法的DRNN模型融合了前馈与反馈连接,且优化了参数,因此网络可更优地表征负荷动态序列的内在规律,并挖掘负荷动态的特性.当改进DRNN模型用于智慧楼宇的负荷预测时,需要将楼宇负荷数据划分成训练集和测试集;然后利用训练集训练并改进DRNN模型,再将改进后的模型用于分析处理测试集,进而得到智慧楼宇负荷的最终预测结果.
实验采用的历史负荷数据来源于福建省龙岩市某工业楼宇和住宅从2019年8月20日至2020年8月20日的实时负荷数据,其中还包括温度、湿度、气压等数据.通过采用TensorFlow软件来搭建DRNN模型并用于负荷分析;对于IPSO算法参数,其迭代次数设为200,种群大小设为60;经过综合优化,兼顾了PSO算法的收敛性和优化效率,避免其陷入局部最优.针对递归神经网络,主要包括输入层、隐含层、关联层和输出层,隐含层神经元过多容易导致算法陷入过拟合状态,使其丧失模型泛化能力;反之则会使其丧失学习能力.通过IPSO算法优化,得到最佳隐含层神经网数量为803个.在此基础上对楼宇负荷预测性能进行了仿真检验.
楼宇负荷存在季节性且随机变化,因此需要考虑不同季节的预测性能.由于春季、秋季和夏季、冬季的负荷变化相似,因此选择春季与夏季进行实验分析.以典型住宅与工业混合楼宇为例,在同一个季节内,负荷变化大多以天为周期呈现出较强的周期性变化;同时由于存在暴雨、冰雪、酷暑等极端天气,对负荷需求也呈现较大的变化.故选取包含典型气候的一周负荷情况作为研究对象,对春季和夏季的能耗预测分析结果如图4所示.
图4 不同季节的预测结果
Fig.4 Forecasting results for different seasons
由图4a可知,春季对用能负荷需求相对较为平稳,平均负荷仅为5.5 MW.但在冰雪极端天气下对能耗需求较高,且变化也较为突然;从图4b可以看出,在夏季的工作日,负荷量通常较高,平均负荷均在7.5 MW以上,而极端天气下对能耗需求更多,尤其是在酷暑天气,对冷负荷的需求较高,电能消耗尤为巨大.此外,对于春季与夏季负荷,实际值及预测值较为接近,仅有小部分情况存在较大偏差,这可能是因环境骤变而导致的.综合而言,所提方法能够准确预测不同季节的智慧楼宇负荷.
由于楼宇类型不同,其所用负荷量也会有所差别.实验中,选取常见的住宅与工业楼宇在夏季某一周的典型用能情况进行分析,不同楼宇类型的预测结果如图5所示.
图5 不同楼宇类型的预测结果
Fig.5 Forecasting results for different building types
从图5中可以看出,住宅负荷呈现显著的峰谷特性,相差约4.5 MW,这是由于白天多数居民均在办公地,家中负荷较少,而夜晚时均居家,故耗电量显著增加.工业楼宇由于智能化程度的提升,设备可实现日夜不停歇生产,因此负荷呈现小幅波动.此外对于两种类型的楼宇,所提方法的负荷预测值整体与实际值极为接近,仅有少数时间点出现预测值偏离实际值的情况,这可能是人为及环境因素所导致的.
为了使所提方法的预测结果更具说服力,在相同条件下将其与文献[5]~[7]的方法进行对比分析,并选择均方根差(RMSE)、平均绝对百分比误差(MAPE)和预测时间来作为评价标准.不同方法的预测误差如图6所示.
图6 不同方法的预测误差对比
Fig.6 Comparison of prediction errors among different methods
从图6中可看出,文献[5]的预测误差曲线起伏较大,最高点超过了1.5 MW,预测效果不理想;而文献[6]~[7]的预测误差曲线波动,虽相比于文献[5]较为平稳,但对于环境改进的自适应能力不够,且部分时刻仍存在较大偏差,如文献[7]的最大误差超过了1 MW.相较于其他3种对比方法,本方法的预测误差曲线最为平稳,且误差最小,大约在±0.3 MW范围内波动.这是由于本文采用改进DRNN模型进行预测,且综合考虑了各种影响因素,故预测性能最佳.
同样,为了定量分析所提方法的性能,列出4种方法预测结果的RMSE和MAPE值,如表1所示.
表1 不同方法预测的RMSE和MAPE值
Tab.1 RMSE and MAPE values predicted by different methods
方法RMSE/MWMAPE/%文献[5]1.026.98文献[6]0.743.49文献[7]0.693.28所提方法0.271.05
从表1中可以看出,相比于其他方法,所提方法的RMSE和MAPE值均为最小,仅为0.27 MW和1.05%.原因在于该方法采用改进DRNN模型来对智慧楼宇的负荷进行预测,其中所具备的反馈关联层使得预测模型能更优地表示负荷的动态特征,并利用IPSO进行模型优化,以此进一步提升了预测精度.文献[5]采用了改进BP神经网络进行负荷预测,较易陷入局部最优,因此RMSE高达1.02 MW;文献[6]结合自回归差分移动平均长短期记忆神经网络模型预测短时间内的楼宇能耗,其对于长期的负荷预测效果不佳,所以MAPE较所提方法提高了2.44%.文献[7]结合递归神经网络和卷积神经网络对商业建筑的多种负荷进行了预测,但对于其他楼宇类型,其预测性能缺乏普适性,故RMSE较所提方法增加了0.42 MW.由此可见,所提方法的负荷预测性能最佳,且能够较优地应用于各种智慧楼宇并预测不同时间段的负荷.
负荷预测在智慧楼宇的能源管理中发挥着重要的作用,本文提出了一种基于改进递归网络的智慧楼宇负荷预测方法.其利用IPSO算法优化DRNN模型,并将优化后的模型用于分析智慧楼宇的负荷、环境数据,从而实现负荷的动态预测.基于TensorFlow平台的实验结果表明,所提方法可实现不同季节以及工业、住宅楼宇负荷的准确预测,且其预测结果的误差值最低,均优于其他对比方法.这为后期实施准确地需求响应策略提供一定的理论基础.
实验中仅考虑了住宅及工业楼宇类型,而实际生产生活中仍存在诸多其他类型的楼宇,如商业、行政楼等,其负荷存在一定的可变性.因此在接下来的研究中,将考虑更多的负荷类型,并将台风、地震等极端天气下可能存在的影响因素纳入预测模型,以期提升该模型的预测性能.
[1]滕文龙,丛炳虎,商云坤,等.基于MEA-BP神经网络的建筑能耗预测模型 [J].吉林大学学报(工学版),2021,51(5):1857-1865.
(TENG Wen-long,CONG Bing-hu,SHANG Yun-kun,et al.Building energy consumption prediction model based on MEA-BP neural network [J].Journal of Jilin University (Engineering Edition),2021,51(5):1857-1865.)
[2]项建梁.基于LoRa无线传感器网络的楼宇环境监测系统的设计 [D].南京:南京理工大学,2019.
(XIANG Jian-liang.Design of building environment monitoring system based on LoRa wireless sensor network [D].Nanjing:Nanjing University of Technology,2019.)
[3]苏运,田英杰,郭乃网,等.基于移动人流数据的商业楼宇负荷用电预测 [J].计算机应用与软件,2019,36(5):21-24.
(SU Yun,TIAN Ying-jie,GUO Nai-wang,et al.Power load forecasting of commercial buildings based on mobile pedestrian flow data [J].Computer Applications and Software,2019,36(5):21-24.)
[4]杨海柱,江昭阳,李梦龙,等.基于改进人工鱼群蛙跳算法优化LSSVM参数短期负荷预测 [J].电子科技,2020,33(12):70-77.
(YANG Hai-zhu,JIANG Zhao-yang,LI Meng-long,et al.Optimization of LSSVM parameters for short-term load forecasting based on improved artificial fish swarm frog jump algorithm [J].Electronic Science and Technology,2020,33(12):70-77.)
[5]孙超,孟祥萍,王晖,等.改进BP神经网络的楼宇负荷预测 [J].自动化应用,2020(10):64-67.
(SUN Chao,MENG Xiang-ping,WANG Hui,et al.Building load forecasting based on improved BP neural network [J].Automation Application,2020(10):64-67.)
[6]李鹏辉,崔承刚,杨宁,等.基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究 [J].上海电力学院学报,2019,35(6):573-579.
(LI Peng-hui,CUI Cheng-gang,YANG Ning,et al.Research on building short-term load forecasting method based on ARIMA LSTM combination model [J].Journal of Shanghai University of Electric Power,2019,35(6):573-579.)
[7]Cai M,Pipattanasomporn M,Rahman S.Day-ahead building-level load forecasts using deep learning vs.traditional time-series techniques [J].Applied Energy,2019,23(6):1078-1088.
[8]赵立强,杨镜非,张美霞,等.基于相似日选择和BP神经网络的商场短期负荷预测 [J].供用电,2019,36(1):23-28.
(ZHAO Li-qiang,YANG Jing-fei,ZHANG Mei-xia,et al.Short term load forecasting of shopping malls based on similar day selection and BP neural network [J].Distribution & Utilization,2019,36(1):23-28.)
[9]宋勇,蔡志平.大数据环境下基于信息论的入侵检测数据归一化方法 [J].武汉大学学报(理学版),2018,64(2):121-126.
(SONG Yong,CAI Zhi-ping.Normalized method of intrusion detection data based on information theory in big data environment [J].Journal of Wuhan University(Natural Science Edition),2018,64(2):121-126.)
[10]段磊.多模型切换分段混沌粒子群优化算法 [J].电子设计工程,2018,26(15):76-80.
(DUAN Lei.Multi model switching piecewise chaos particle swarm optimization algorithm [J].Electronic Design Engineering,2018,26(15):76-80.)
[11]许言路,武志锴,朱赫炎,等.基于多尺度卷积神经网络的短期电力负荷预测 [J].沈阳工业大学学报,2020,42(6):618-623.
(XU Yan-lu,WU Zhi-kai,ZHU He-yan,et al.Short-term power load forecasting based on multi-scale convolutional neural network [J].Journal of Shenyang University of Technology,2020,42(6):618-623.)
[12]于惠鸣,张智晟,龚文杰,等.基于深度递归神经网络的电力系统短期负荷预测模型 [J].电力系统及其自动化学报,2019,31(1):112-116.
(YU Hui-ming,ZHANG Zhi-sheng,GONG Wen-jie,et al.Short-term load forecasting model of power system based on deep recurrent neural network [J].Proceedings of the CSU-EPSA,2019,31(1):112-116.)
[13]关学忠,皇甫旭,李欣,等.基于正态云模型的自适应变异量子粒子群优化算法 [J].电子设计工程,2016,24(8):64-67.
(GUAN Xue-zhong,HUANGPU Xu,LI Xin,et al.Quantum-behaved particle swarm optimization with adaptive mutation based on cloud model [J].Electronic Design Engineering,2016,24(8):64-67.)
[14]于惠鸣.基于深度神经网络的电力系统短期负荷预测模型研究 [D].青岛:青岛大学,2018.
(YU Hui-ming.Short-term load forecasting model of power system based on deep recurrent neural network [D].Qingdao:Qingdao University,2018.)
[15]张宇献,董放.基于粒子群优化分段聚合近似的负荷分类 [J].沈阳工业大学学报,2021,43(2):121-125.
(ZHANG Yu-xian,DONG Fang.Load classification based on piecewise aggregate approximation of particle swarm optimization [J].Journal of Shenyang University of Technology,2021,43(2):121-125.)